模型评价和结果解释

图5.9引入新的字段“时尚用户I

引人Type节点，按照5. 3. 1中的数据处理要求定义数据方 向，如图5. 10所示：

0       _

Ofil   Aprion COST jmSEft^P ‘?? R

B lai JL，1：

:?圖 m m

HMPxlc-Vfii&flP *    ‘     ~

图5. n模型建立的整个流程图 5.4.3.1未剪枝（剪枝少）树

未剪枝是指在枸建决策树的过程中，剪枝程度参数设置Default ： F

5. 4.4模型评价和结果解释

5.4.4. I 模型评价

是否对生成的决策树进行剪枝，或者说应该剪枝到什么程度， 这取决于多方面的因素，但最重要的参考因素是生成模型的精度。 我们首先来看未剪枝的树，该树共6层，生成的规则集共10条， 模型精度为85.3%，如图5. 13所示。我们可以看到，模型精度本 身并不是很高，没有达到90%，但作为对电信增值消费行为的分 析，这样的精度是可以接受的。因为目前人们对增值业务的需求 本身就不是很高，再加上每个消费个体的需求差异很大，所以模 型的精度对实际的CRM是有意义的，是可用的。经过多次设置不 同的剪枝程度，最终得到层次数为4，规则集数为7，精度为 83.4%的模型，如图5. 14所示。我们可以看出，最终确定的决策 树的层数和规则集数都比未剪枝树少，而模型精度相差并不多， 我们愿意牺牲微小的模型精度差别来换取更加简练的模型输出结 果，因为这样的结果更加具有实用性和可操作性。有时候，在不同的应用场合对模型的错判成本是不同的。